تعتبر الإجابة على الأسئلة المتعددة الجداول (Multi-Table Q&A) تحدياً كبيراً للنماذج الحالية، حيث تتطلب هذه النماذج القدرة على استرجاع الأدلة ذات الصلة، وربط الأنماط، وأداء التفكير التكويني عبر جداول مرتبطة. وكما هو متعارف عليه، فإن الموارد الحالية لهذه النوعية من الأسئلة عادة ما تقدم أسئلة وإجابات نهائية لكن تفتقر إلى إشراف منطقي يوضح كيفية استنتاج تلك الإجابات.

لتوصيل فعالية أكثر في هذا السياق، تم إنشاء مجموعة بيانات جديدة مأخوذة من التفكير التمييزي الاصطناعي (Synthetic Contrastive Reasoning) تستخدم لتدريب نماذج متعددة الجداول. من خلال توليد آثار إيجابية موثوقة وآثار سلبية معقولة باستخدام نماذج لغوية متنوعة (Heterogeneous LLMs)، يمكن للنماذج أن تتعلم بشكل أفضل من خلال استخدام أزواج التفضيلات التي تم الحصول عليها.

تم استخدام تقنيات مثل تحسين التفضيل التمييزي (Contrastive Preference Optimization - CPO) لضبط النماذج مثل Qwen3-14B وMistral-8B وLlama-3.1-8B. أظهرت النتائج تحسناً ملحوظاً يتراوح بين 9.7% و16.3% في دقة الإجابات، مع زيادات تصل إلى 21 نقطة مئوية في الأداء بالمقارنة مع أساليب التدريب التقليدية.

كما أشارت الدراسات إلى أن استخدام مولدات الآثار الإيجابية والسلبية المتنوعة يعزز من الإشارة التمييزية، مما يجعل التقييمات التي يقوم بها كل من الإنسان والآلات تشير إلى أن الأزواج الناتجة تتمتع بالموثوقية والترابط والمعنى.

إلى أين سيقودنا هذا التطور الجديد في عالم الذكاء الاصطناعي؟ وكيف يمكن أن يؤثر على طريقة إجابتنا على الأسئلة المركبة؟